基于改良BP神经网络的生物质锅炉飞灰含碳量预测模型研究

针对生物质锅炉飞灰含碳量较高的问题,文章提出了基于主成分分析法(PCA)或Garson算法与普通LM-BP神经网络相结合的两种生物质锅炉飞灰含碳量预测模型。这两种模型通过对负荷、燃烧室烟气温度、烟气含氧量等17个原始输入变量进行降维得到新输入变量,再进行训练建模,提高了模型精度。利用我国某生物质电厂飞灰含碳量的实测数据对模型进行检验,检验结果表明,LM-Garson-BP神经网络的MAPE为2.09%,MSE为0.11,MAE为0.25,泛化能力最强,稳定性最好。

基于BP神经网络的CFB锅炉飞灰含碳量建模

飞灰含碳量是影响锅炉热效率的重要指标,影响着机组的经济运行。建立一种基于Levenberg-Marquardt(L-M)算法改进的BP神经网络模型,对某电厂150 MW CFB锅炉的飞灰含碳量进行建模预测,包括1个母模型和3个子模型。母模型选取煤的工业分析、低位发热量等7个参数作为输入参数,子模型研究煤质参数偏差对母模型其他输入参数的影响。利用改进的BP神经网络分别对样本进行训练,预测飞灰含碳量。将训练结果与传统多项式回归法或经验方法得出的结果进行对比。结果表明,BP神经网络、多项式线性回归(PLR)、多项式非线性回归(PNR)的相关系数R2分别为0.9571、0.6051、0.7667,相对平均误差RME分别为4.84%、17.02%、12.46%。改进的BP神经网络模型对飞灰含碳量具有更高的预测精度和更好的泛化能力。